本披露一般涉及圖像處理。更具體地，本披露涉及一種用于訓(xùn)練圖像分類模型的方法，執(zhí)行前述方法的電子設(shè)備和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、機(jī)器學(xué)習(xí)領(lǐng)域中，通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型來(lái)實(shí)現(xiàn)圖像分類的目的。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型過(guò)程中，訓(xùn)練樣本的多樣性和準(zhǔn)確性會(huì)直接影響神經(jīng)網(wǎng)絡(luò)模型的性能。特別是針對(duì)超廣角圖片的分類模型的訓(xùn)練，一方面由于超廣角圖片數(shù)量有限且標(biāo)簽標(biāo)注以及圖片采集成本較高，另一方面超廣角圖片中待分類區(qū)域(例如病灶區(qū)域)相對(duì)整個(gè)圖像僅占用少量像素，使得標(biāo)簽與整個(gè)圖片關(guān)聯(lián)不緊密。由此，導(dǎo)致針對(duì)超廣角圖片的分類模型的訓(xùn)練非常困難且模型分類精度差。

2、有鑒于此，亟需提供一種利用超廣角圖片訓(xùn)練圖像分類模型的方案，以有效降低模型訓(xùn)練難度。

技術(shù)實(shí)現(xiàn)思路

1、為了至少解決如上所提到的一個(gè)或多個(gè)技術(shù)問(wèn)題，本披露在多個(gè)方面中提出了訓(xùn)練圖像分類模型的方案。

2、在第一方面中，本披露提供一種用于訓(xùn)練圖像分類模型的方法，所述方法包括：基于訓(xùn)練樣本中的超廣角圖片生成關(guān)于所述超廣角圖片的目標(biāo)圖片集，其中所述目標(biāo)圖像集中目標(biāo)圖片的分辨率小于所述超廣角圖片；基于所述圖像分類模型對(duì)所述目標(biāo)圖片集中的每個(gè)目標(biāo)圖片進(jìn)行預(yù)測(cè)，以得到所述每個(gè)目標(biāo)圖片的預(yù)測(cè)結(jié)果；基于所述每個(gè)目標(biāo)圖片的預(yù)測(cè)結(jié)果，確定所述超廣角圖片的預(yù)測(cè)結(jié)果；以及根據(jù)所述超廣角圖片的預(yù)測(cè)結(jié)果對(duì)所述圖像分類模型進(jìn)行優(yōu)化訓(xùn)練。

3、在一些實(shí)施例中，基于訓(xùn)練樣本中的超廣角圖片生成關(guān)于所述超廣角圖片的目標(biāo)圖片集包括：對(duì)所述超廣角圖片進(jìn)行剪裁處理，以得到目標(biāo)圖片；以及根據(jù)剪裁得到的圖片構(gòu)建所述目標(biāo)圖片集。

4、在一些實(shí)施例中，基于所述每個(gè)目標(biāo)圖片的預(yù)測(cè)結(jié)果，確定所述超廣角圖片的預(yù)測(cè)結(jié)果包括：基于所有目標(biāo)圖片的預(yù)測(cè)結(jié)果中的最大值或者利用所有目標(biāo)圖片的預(yù)測(cè)結(jié)果的平均值確定所述超廣角圖片的一個(gè)維度的預(yù)測(cè)結(jié)果。

5、在一些實(shí)施例中，還包括：對(duì)所述超廣角圖片的各個(gè)維度的預(yù)測(cè)結(jié)果進(jìn)行校正處理，以使經(jīng)校正的所述超廣角圖片的所有維度的預(yù)測(cè)結(jié)果之和為1。

6、在一些實(shí)施例中，對(duì)所述超廣角圖片的一個(gè)維度的預(yù)測(cè)結(jié)果進(jìn)行校正處理包括：計(jì)算所述超廣角圖片的任一維度的預(yù)測(cè)結(jié)果與所有維度的預(yù)測(cè)結(jié)果之間的比值，以實(shí)現(xiàn)對(duì)所述任一維度的預(yù)測(cè)結(jié)果的校正。

7、在一些實(shí)施例中，其中所述圖像分類模型包括用于區(qū)分圖片是否有病灶的二分類模型，確定所述超廣角圖片的一個(gè)維度的預(yù)測(cè)結(jié)果包括：基于所述所有目標(biāo)圖片的預(yù)測(cè)結(jié)果中的最大值確定所述超廣角圖片的有病維度的預(yù)測(cè)結(jié)果；以及基于所述所有目標(biāo)圖片的預(yù)測(cè)結(jié)果的平均值確定所述超廣角圖片的無(wú)病維度的預(yù)測(cè)結(jié)果。

8、在一些實(shí)施例中，根據(jù)所述超廣角圖片的預(yù)測(cè)結(jié)果對(duì)所述圖像分類模型進(jìn)行優(yōu)化訓(xùn)練包括：獲取所述超廣角圖片的標(biāo)注標(biāo)簽；計(jì)算所述超廣角圖片的預(yù)測(cè)結(jié)果與所述標(biāo)注標(biāo)簽之間的損失函數(shù)；以及基于計(jì)算出的損失函數(shù)優(yōu)化所述圖像分類模型的參數(shù)，以實(shí)現(xiàn)對(duì)所述圖像分類模型的優(yōu)化訓(xùn)練。

9、在一些實(shí)施例中，計(jì)算所述超廣角圖片的預(yù)測(cè)結(jié)果與所述標(biāo)注標(biāo)簽之間的損失函數(shù)包括：計(jì)算超廣角圖片的預(yù)測(cè)結(jié)果與所述標(biāo)注標(biāo)簽之間的交叉熵?fù)p失函數(shù)。

10、在第二方面中，本披露提供一種電子設(shè)備，包括：處理器；以及存儲(chǔ)器，其存儲(chǔ)有用于訓(xùn)練圖像分類模型的計(jì)算機(jī)指令，當(dāng)所述計(jì)算機(jī)指令由所述處理器運(yùn)行時(shí)，使得所述電子設(shè)備執(zhí)行根據(jù)本披露第一方面所述的方法。

11、在第三方面中，本披露提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，包含有用于訓(xùn)練圖像分類模型的程序指令，當(dāng)所述程序指令由處理器執(zhí)行時(shí)，使得實(shí)現(xiàn)根據(jù)本披露第一方面所述的方法。

12、通過(guò)如上所提供的用于訓(xùn)練圖像分類模型的方案，本披露實(shí)施例通過(guò)超廣角圖片得到包含多個(gè)分辨率低于超廣角圖片的目標(biāo)圖片集，并利用分類模型對(duì)多個(gè)低分辨圖片的預(yù)測(cè)結(jié)果來(lái)確定高分辨率超廣角圖片的預(yù)測(cè)結(jié)果，以超廣角圖片的預(yù)測(cè)結(jié)果實(shí)現(xiàn)對(duì)圖像分類模型的優(yōu)化訓(xùn)練?？梢钥闯?，本披露的方案巧妙借助與低分辨率圖片關(guān)聯(lián)度高的預(yù)測(cè)結(jié)果來(lái)確定高分辨率超廣角圖片的預(yù)測(cè)結(jié)果，從而提高超廣角圖片與其預(yù)測(cè)結(jié)果的關(guān)聯(lián)度，并能維持在高分辨率超廣角圖片維度下進(jìn)行模型的優(yōu)化訓(xùn)練，使得整個(gè)訓(xùn)練過(guò)程易于實(shí)現(xiàn)，且有效提高模型的大分辨率圖像分類任務(wù)的精度。進(jìn)一步地，在一些實(shí)施例中，可以通過(guò)對(duì)超廣角圖片的剪裁處理來(lái)得到分辨率低于超廣角眼底圖片的多個(gè)目標(biāo)圖片，使得對(duì)圖片的整體操作簡(jiǎn)單且易實(shí)施，有效降低超廣角圖片處理復(fù)雜度。

技術(shù)特征：

1.一種用于訓(xùn)練圖像分類模型的方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于訓(xùn)練樣本的超廣角圖片關(guān)于所述超廣角圖片的目標(biāo)圖片集包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述每個(gè)目標(biāo)圖片的預(yù)測(cè)結(jié)果，確定所述超廣角圖片的預(yù)測(cè)結(jié)果包括：

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，還包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，對(duì)所述超廣角圖片的一個(gè)維度的預(yù)測(cè)結(jié)果進(jìn)行校正處理包括：

6.根據(jù)權(quán)利要求3所述的方法，其特征在于，其中所述圖像分類模型包括用于區(qū)分圖片是否有病灶的二分類模型，確定所述超廣角圖片的一個(gè)維度的預(yù)測(cè)結(jié)果包括：

7.根據(jù)權(quán)利要求1至6中任一項(xiàng)所述的方法，其特征在于，根據(jù)所述超廣角圖片的預(yù)測(cè)結(jié)果對(duì)所述圖像分類模型進(jìn)行優(yōu)化訓(xùn)練包括：

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，計(jì)算所述超廣角圖片的預(yù)測(cè)結(jié)果與所述標(biāo)注標(biāo)簽之間的損失函數(shù)包括：

9.一種電子設(shè)備，其特征在于，包括：

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，包含有用于訓(xùn)練圖像分類模型的程序指令，當(dāng)所述程序指令由處理器執(zhí)行時(shí)，使得實(shí)現(xiàn)根據(jù)權(quán)利要求1-8的任意一項(xiàng)所述的方法。

技術(shù)總結(jié)
本披露公開(kāi)了一種用于訓(xùn)練圖像分類模型的方法及相關(guān)產(chǎn)品。其中，所述方法包括：基于訓(xùn)練樣本中的超廣角圖片生成目標(biāo)圖片集，其中所述目標(biāo)圖像集中目標(biāo)圖片的分辨率小于所述超廣角圖片；基于所述圖像分類模型對(duì)所述目標(biāo)圖片集中的每個(gè)目標(biāo)圖片進(jìn)行預(yù)測(cè)，以得到所述每個(gè)目標(biāo)圖片的預(yù)測(cè)結(jié)果；基于所述每個(gè)目標(biāo)圖片的預(yù)測(cè)結(jié)果，確定所述超廣角圖片的預(yù)測(cè)結(jié)果；以及根據(jù)所述超廣角圖片的預(yù)測(cè)結(jié)果對(duì)所述圖像分類模型進(jìn)行優(yōu)化訓(xùn)練。通過(guò)本披露的方案，能夠?qū)崿F(xiàn)在超廣角圖片維度下進(jìn)行圖像分類模型的優(yōu)化訓(xùn)練，整個(gè)訓(xùn)練過(guò)程易于實(shí)現(xiàn)，且有效提高模型的大分辨率圖像分類任務(wù)的精度。

技術(shù)研發(fā)人員：陳亦新,趙昕
受保護(hù)的技術(shù)使用者：北京鷹瞳科技發(fā)展股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10